AI 공정 사전 검사의 경계: AI가 정말로 찾아내지 못하는 문제들

2024년 하반기, 우리는 한 그룹의 비교 테스트를 진행했습니다. 200개 고객의 실제 주문 서류를 사용하여, AI 공정 사전 검사 도구와 당사의 숙련된 공정 전문가의 수기 사전 검사를 각각 활용하여, 두 채널에서 발견한 문제 목록을 기록했습니다.

결과는 약간 직관에 반합니다. AI 사전 검사에서 발견된 문제의 80%는 "파일 계층 오류"(재단, 글꼴 아웃라인 변환, 해상도, 색상 모드)이지만, 실제 양산 성패에 영향을 미치는 "공정 계층 오류"는 AI가 찾아내는 비율이 30%에 미치지 못합니다.

이는 AI 공정 사전 검사의 실제 경계를 드러냅니다. AI는 파일 자체의 문제는 잘 검사할 수 있지만, 공정 실행 계층의 실현 가능성을 판단하기는 어렵습니다. 이 글에서는 이 부분을 명확히 다루고자 합니다 — AI 공정 사전 검사의 실제 능력, AI가 검사하지 못하는 6가지 유형의 문제, 그리고 고객이 AI 도구를 어떻게 활용해야 하는지에 대해 설명합니다.

먼저 AI 공정 사전 검사가 무엇을 잘하는지 살펴보겠습니다

AI 공정 사전 검사의 핵심 능력은 "규칙 기반의 패턴 인식"입니다. 파일을 빠르게 스캔하여 알려진 디자인 규범과 인쇄 상식을 위반하는지 확인할 수 있습니다. 이러한 규칙은 상대적으로 고정적이고 정량화 가능하므로 AI의 정확률은 매우 높습니다.

AI가 잘 검사하는 문제는 다음과 같습니다. ①재단 여백이 정확한지(보통 3mm); ②서체는 아웃라인 전환이 되어 있는지; ③해상도가 충분한지(보통 300dpi 이상); ④색상 모드가 올바른지(CMYK이며 RGB가 아닌지); ⑤하이퍼링크가 임베드되지 않은 채 남아 있는지; ⑥이미지가 누락되지는 않았는지; ⑦파일 크기가 올바른지; ⑧투명도가 너무 낮거나 높은 요소가 있는지; ⑨재단선을 벗어난 요소가 있는지; ⑩별색 설정이 규범에 부합하는지.

이 10가지 유형의 문제에 대해 AI의 검출률은 90% 이상, 오탐률은 5% 미만입니다. 당사의 200건 주문 테스트에서 AI는 평균 주문당 4.2건의 파일 계층 오류를 발견했으며, 그 중 약 1.5건은 육안으로는 직접 알아보기 어렵지만 인쇄에 영향을 미치는 것(예: 별색 오류, 하이퍼링크 미임베드)입니다.

이는 "파일 계층 오류"의 경우 AI 공정 사전 검사가 이미 대부분의 수기 사전 검사의 효율과 정확도를 넘어섰다는 것을 의미합니다. 그래서 당사는 고객에게 파일을 업로드한 후 가장 먼저 AI 사전 검사를 실행할 것을 조언합니다. 대부분의 "기초적인 오류"를 근본에서 해결할 수 있기 때문입니다.

그러나 6가지 공정 문제는 AI가 정말로 찾아낼 수 없습니다

대량 생산의 성패를 진정으로 좌우하는 것은 종종 파일 계층의 오류가 아니라 "공정 계층"의 문제입니다. 이러한 문제들은 소재, 설비, 공정 경험에 대한 깊은 이해를 필요로 하며, AI는 현재로서는 이를 해낼 수 없습니다.

문제 1: 재질 두께와 강성의 "감촉" 판단. 동일한 그램수의 종이라도, 브랜드에 따라 실제 두께, 강성, 표면 평활도의 차이가 매우 큽니다. 예를 들어 같은 350g 백상지라도 A 브랜드의 두께는 0.45mm일 수 있고, B 브랜드는 0.50mm일 수 있습니다. AI는 파일을 보고 "350g 백상지 지정"이라는 사실은 알지만, 이 백상지가 어떤 선물 박스 구조에 적합한지는 판단할 수 없습니다. 예를 들어 "두껍고 강한 강성"의 정밀 박스를 만들어야 한다면, B 브랜드가 A 브랜드보다 적합하지만 AI는 이를 알아볼 수 없습니다.

문제 2: 호일 스탬핑 온도의 공정 적합성. 호일 스탬핑은 110-130°C의 온도와 25-35초의 체류 시간에서 완료되어야 합니다. 용지, 면적, 호일 스탬핑 박포의 최적 파라미터 조합은 그 차이가 매우 큽니다. AI는 파일에서 "호일 스탬핑 공정이 있는지 여부", "호일 스탬핑 면적"을 확인할 수는 있지만, 이 호일 스탬핑 면적이 해당 용지에서 실행 가능한지 여부는 판단할 수 없습니다. 예를 들어 넓은 면적의 호일 스탬핑은 박막지에서 구겨지기 쉽고, 동판지에서는 효과가 좋은데, AI는 이러한 공정 경험이 없습니다.

문제 3: 인쇄기 상태의 영향. 동일한 설계 파일이라도 서로 다른 상태의 인쇄기에서 출사 효과가 20-30% 차이가 날 수 있습니다. 장비 노후화, 압력 불균일, 잉크 롤 마모 등은 모두 최종 효과에 영향을 미칩니다. AI 공정 사전 검사는 파일만 검사할 수 있으며, 설비 상태가 대량 생산에 미치는 영향까지는 예측할 수 없습니다.

문제 4: 판면 맞춤 정밀도의 실현 가능성. 판면 맞춤 정밀도(다색 인쇄 시 각 색판의 정렬 정밀도)는 장비 정밀도, 재료의 신축, 환경 온습도 등 다양한 요인의 영향을 받습니다. AI는 파일이 “판면 맞춤 마크를 설계했다”는 여부는 확인할 수 있지만, 이 설계가 현재 공장의 실제 판면 맞춤 정밀도 하에서 안정적으로 생산될 수 있는지는 판단할 수 없습니다. 테스트 결과, AI의 판면 맞춤 문제 예측 정확도는 단 25%에 불과했습니다.

문제 5: 다이컷팅 날 마모의 영향. 다이컷팅 공정은 다이컷팅 날의 정밀도에 의존합니다. 새 날과 사용한 날이 동일한 날판에 대해 다이컷팅을 수행할 때 효과가 0.1~0.3mm 차이가 날 수 있습니다. AI는 파일을 보는 것만으로는 현재 다이컷팅 날의 상태를 알 수 없으며, 파일 내의 소형 요소(예: 2mm 미만의 라운딩, 복잡한 이형 칼선)를 안정적으로 다이컷팅할 수 있는지 여부도 판단할 수 없습니다.

문제 6: 특수 잉크의 부착력. 특수 잉크(UV 잉크, 모래 잉크, 야광 잉크, 온변 잉크)는 용지 종류에 따라 부착력 차이가 매우 큽니다. AI는 "문서에 특수 잉크가 지정되어 있는지 여부"를 확인할 수는 있지만, 현재 용지에서 해당 잉크의 부착력이 충분한지 여부는 판단할 수 없습니다. 당사의 테스트에서 AI의 특수 잉크 부착력 문제 예측 정확률은 단 18%에 불과했습니다.

왜 AI는 이러한 문제들을 찾아내지 못하는가

근본 원인은 이 6 류 문제가 모두 "문서 규칙"이 아니라 "공정 경험"이기 때문입니다. 이는 다음에 의존합니다. ① 재료의 물리적 속성에 대한 이해, ② 설비 상태의 실시간 파악, ③ 재료-설비-공정 상호작용에 대한 다년간의 경험.

이러한 지식에는 몇 가지 특징이 있습니다. 첫째, 암묵적 지식이 주를 이루며, 많은 숙련 기술자가 "감"으로 판단하여 언어로 명확하게 설명하기 어렵습니다. 둘째, 구체적인 시나리오에 따라 달라지며(서로 다른 재료, 장비, 환경마다 새로 판단해야 함), 셋째, 경험 축적의 결과이므로 신입은 3-5년이 지나서야 이러한 판단력을 갖추게 됩니다.

AI의 훈련 데이터는 대량의 규칙과 사례를 포함할 수 있지만, 공정 경험은 본질적으로 일종의 "판단력"이며, 실제 현장에서 반복적으로 훈련해야만 형성될 수 있습니다. 현재의 AI 도구는 "규칙 매칭"에는 더 능숙하지만, "판단력"의 모사는 여전히 매우 초보적 단계에 머물러 있습니다.

또 다른 한 가지 제한점은 "실시간성"입니다. AI 사전 검사 도구는 일반적으로 클라우드 또는 클라이언트 측에 배포되며 범용 모델을 사용합니다. 각 공장의 실시간 설비 데이터, 재고, 작업자 경험에 접근할 수 없습니다. 따라서 AI 모델이 이론적으로 이러한 경험을 학습할 수 있다 하더라도, 현장 실행 시 필요한 데이터 입력이 부족합니다.

AI 공정 사전 검사를 올바르게 활용하는 방법

AI의 한계를 이해한 후, 고객은 다음과 같이 AI 도구를 활용해야 합니다.

첫 번째 단계: 파일 업로드 후 먼저 AI 사전 검사를 실행하여 파일 계층의 모든 오류를 수정합니다. 이 단계에서 AI는 이미 90% 이상의 단순 오류를 해결할 수 있으며, 효율성은 인공 검사보다 훨씬 높습니다.

두 번째 단계: AI 사전 검사 통과 후, 공장 공정 스승에게 제출하여 수동 재검사를 진행합니다. 이 단계에서는 특히 앞에서 언급한 6가지 유형을 중심으로 공정 계층 문제를 점검합니다. 이 단계는 AI가 당분간 대체할 수 없는 부분입니다.

세 번째 단계: 특수 공정이 포함된 주문(호일 스탬핑, UV, 다이컷팅, 특수 잉크)의 경우, 조언에 따라 미리 공장 공정 스승과 방안을 협의하고 AI 사전 검사 결과에만 의존해서는 안 됩니다.

네 번째 단계: 대량 생산 전 소규모 시험(200-500개)은 생략할 수 없습니다. AI 사전 검사와 공정 스승의 검사를 모두 통과했더라도, 대량 생산 전 소규모 시험은 여전히 필요합니다. 소규모 시험을 통해 AI와 공정 스승 모두 주목하지 못한 "배치 차이" 문제를 발견할 수 있기 때문입니다.

AI 공정 사전 검사가 미래에 돌파할 수 있을까

단기(1~2년) 내에 AI 공정 사전 검사의 발전은 세 가지 방향에 집중될 것입니다.

방향 1: 공장 ERP/MES 시스템과 연동하여 실시간 설비 데이터를 확보합니다. AI가 "현재 설비의 오버레이 정밀도가 얼마인지"를 알 수 있다면, 파일의 실행 가능 여부를 판단할 수 있습니다.

방향 두 번째: 재료 데이터베이스와 연동. AI가 구체적인 재료 브랜드의 물리적 속성 데이터(두께, 강도, 평활도)를 호출할 수 있다면, 보다 정밀한 판단이 가능해집니다.

방향 셋: 더 많은 실제 사례의 피드백 데이터를 축적한다. AI가 "이 재료 + 이 공정 + 이 장비 조합의 역사적 성공률"을 학습할 수 있을 때, 그 판단은 경험이 풍부한 공정 스승에 더 가까워진다.

그러나 공정 장인을 완전히 대체하려면 최소 5-10년이 필요합니다. 이 전환기에는 "AI + 인력" 이중 사전 검사가 최선의 전략입니다. AI는 효율성 문제를 해결하고, 인력은 판단 문제를 해결하며, 이 둘은 서로 보완합니다.

3개 실제 사례

사례 일: 고객이 한 개의 선물 박스 디자인 파일을 업로드했고, AI 사전 검사는 모두 통과했다(파일 계층 오류 없음). 그러나 공정 스승이 한눈에 발견했다: 디자인 시안은 진주광택지를 사용했지만 호일 스탬핑 면적이 60%를 초과했으며, 진주광택지 표면이 매끄러워 호일 스탬핑 부착력이 충분하지 않았다. 조언으로 무광 필름을 라미네이팅한 후 호일 스탬핑을 적용하도록 변경했다. 최종적으로 조언이 채택되어 양산 후 재작업을 피했다.

사례 2: 고객 파일 AI 사전 검사에서 "색상 모드 RGB"라는 안내가 떴지만, 고객은 "AI로 생성한 디자인이라 CMYK로 변환하면 색상이 변한다"고 말했습니다. 공정 선배의 조언: 일부 별색 정의 유지 + CMYK 변환 후 재보정. 최종 양산 효과는 고객 기대와 일치했습니다.

사례 셋: 고객 파일 AI 사전 검사에서 "재단 부족"이라는 알림이 떴고, 고객은 "화면상으로는 문제가 없어 보이는데요"라고 생각했습니다. 공정 작업자가 설명했습니다: 화면에서 보이는 것이 실제 인쇄 효과가 아니며, 인쇄에는 3mm 재단이 필요하여 흰 가장자리가 생기지 않습니다. 고객은 결국 수정안을 수락했습니다.

요약

AI 공정 사전 검토는 강력한 도구이지만, 만능 도구는 아닙니다. 파일 계층 오류 검사에서는 이미 매우 성숙했지만, 공정 계층 오류 판단에는 여전히 명확한 한계가 있습니다.

올바른 사용 방식은 "AI + 인력" 이중 사전 검토입니다. AI는 효율성 문제를 해결하고, 인력은 판단 문제를 해결합니다. 가까운 미래에 이 둘은 대체 관계가 아니라 상호 보완 관계입니다.

이 한계를 이해하면 AI 도구를 보다 효율적으로 사용할 수 있습니다. AI는 "낮은 수준의 오류를 빠르게 걸러내는" 역할을 맡고, 인력은 "복잡한 공정 판단"을 담당하며, 두 가지가 협력해야만 비로소 양산 위험을 실질적으로 줄일 수 있습니다.

관련 글: AI 패키징 견적이 정확해 보이는데 왜 최종 편차가 클까, 패키징 디자이너와 인쇄소 소통의 6가지 "업계 용어" 번역, 패키지 시안 견본을 3회 통과하지 못한다면, 문제는 보통 어디서 발생할까?, 패키지 디자인 시안에서 인쇄 파일로의 5가지 전환 함정